Graph Neural ODE Digital Twins for Control-Oriented Reactor Thermal-Hydraulic Forecasting Under Partial Observability
作者: Akzhol Almukhametov, Doyeong Lim, Rui Hu, Yang Liu
分类: cs.LG
发布日期: 2026-04-08
💡 一句话要点
提出GNN-ODE数字孪生模型，用于部分可观测下反应堆热工水力预测与控制
🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱二：RL算法与架构 (RL & Architecture)
关键词: 图神经网络 神经常微分方程 数字孪生 热工水力预测 反应堆控制
📋 核心要点
- 现有反应堆热工水力预测方法难以兼顾预测精度、实时性和对部分可观测性的鲁棒性，限制了先进反应堆的实时控制。
- 提出一种基于图神经网络和神经常微分方程（GNN-ODE）的数字孪生模型，利用物理信息和拓扑结构来处理部分可观测性问题。
- 实验表明，该模型在预测精度、推理速度和sim-to-real迁移方面表现出色，为反应堆实时控制提供了有效工具。
📝 摘要（中文）
先进反应堆的实时监督控制需要精确预测全厂热工水力状态，包括物理传感器不可用的位置。这需要兼具预测保真度、毫秒级推理速度和对部分可观测性鲁棒性的替代模型。本文提出了一种物理信息驱动的消息传递图神经网络与神经常微分方程（GNN-ODE）相结合的方法，以同时满足这三个要求。我们将整个系统表示为一个有向传感器图，其边编码了通过流动/传热感知消息传递的水力连通性，并通过受控神经ODE在连续时间内推进潜在动力学。拓扑引导的缺失节点初始化器重建了rollout开始时未测量的状态；然后预测完全自回归地进行。GNN-ODE替代模型在系统动力学预测方面取得了令人满意的结果。在保留的模拟瞬态中，该替代模型对于未测量节点在60秒时实现了0.91 K的平均MAE，在300秒时实现了2.18 K的平均MAE，对于缺失节点状态重建，R²高达0.995。在单个GPU上，推理运行速度比模拟时间快约105倍，从而能够进行64个成员的集成rollout以进行不确定性量化。为了评估sim-to-real迁移，我们仅使用30个训练序列，通过分层判别微调将预训练的替代模型适应于实验设施数据。学习到的流量相关的传热缩放恢复了与已建立的相关性一致的雷诺数指数，表明了超越轨迹拟合的本构学习。该模型跟踪了陡峭的功率变化瞬态，并在未测量位置产生了准确的轨迹。
🔬 方法详解
问题定义：论文旨在解决先进反应堆实时监督控制中，对全厂热工水力状态进行精确预测的问题，尤其是在物理传感器无法覆盖的区域。现有方法通常难以同时满足预测精度、毫秒级推理速度以及对部分可观测性的鲁棒性要求，限制了其在实际应用中的可行性。
核心思路：论文的核心思路是将反应堆系统建模为一个有向传感器图，利用图神经网络（GNN）进行消息传递，模拟热工水力过程中的流动和传热。同时，采用神经常微分方程（Neural ODE）来描述系统状态随时间的连续演化，从而实现对系统动力学的精确预测。通过拓扑引导的缺失节点初始化器，重建未测量位置的状态，解决部分可观测性问题。
技术框架：整体框架包含以下几个主要模块：1) 传感器图构建：将反应堆系统表示为有向图，节点代表传感器位置，边代表水力连接。2) 消息传递：利用GNN在图上进行消息传递，模拟流动和传热过程。3) 神经ODE：使用Neural ODE描述系统状态随时间的连续演化。4) 缺失节点初始化：利用拓扑信息初始化未测量节点的状态。5) 自回归预测：基于当前状态，自回归地预测未来状态。
关键创新：该方法的主要创新在于将GNN和Neural ODE相结合，构建了一个物理信息驱动的数字孪生模型。GNN负责捕捉系统中的空间关系，Neural ODE负责模拟系统的时间演化。此外，拓扑引导的缺失节点初始化器能够有效处理部分可观测性问题。
关键设计：在GNN中，边的权重编码了水力连接强度和传热系数等物理信息。Neural ODE的控制输入可以是反应堆的控制参数，例如功率水平。损失函数包括预测误差和正则化项，以防止过拟合。采用分层判别微调策略，将预训练模型迁移到实验数据上。
🖼️ 关键图片
📊 实验亮点
实验结果表明，GNN-ODE模型在未测量节点上的预测误差（MAE）在60秒时为0.91 K，在300秒时为2.18 K，R²高达0.995。推理速度比模拟时间快约105倍，能够进行64成员的集成rollout以进行不确定性量化。通过分层判别微调，该模型能够成功迁移到实验数据上，并准确跟踪陡峭的功率变化瞬态。
🎯 应用场景
该研究成果可应用于先进反应堆的实时监督控制、故障诊断和优化运行。通过精确预测全厂热工水力状态，操作人员可以及时发现潜在问题，并采取相应措施，提高反应堆的安全性和经济性。此外，该方法还可以推广到其他复杂工业过程的建模和控制中。
📄 摘要（原文）
Real-time supervisory control of advanced reactors requires accurate forecasting of plant-wide thermal-hydraulic states, including locations where physical sensors are unavailable. Meeting this need calls for surrogate models that combine predictive fidelity, millisecond-scale inference, and robustness to partial observability. In this work, we present a physics-informed message-passing Graph Neural Network coupled with a Neural Ordinary Differential Equation (GNN-ODE) to addresses all three requirements simultaneously. We represent the whole system as a directed sensor graph whose edges encode hydraulic connectivity through flow/heat transfer-aware message passing, and we advance the latent dynamics in continuous time via a controlled Neural ODE. A topology-guided missing-node initializer reconstructs uninstrumented states at rollout start; prediction then proceeds fully autoregressively. The GNN-ODE surrogate achieves satisfactory results for the system dynamics prediction. On held-out simulation transients, the surrogate achieves an average MAE of 0.91 K at 60 s and 2.18 K at 300 s for uninstrumented nodes, with $R^2$ up to 0.995 for missing-node state reconstruction. Inference runs at approximately 105 times faster than simulated time on a single GPU, enabling 64-member ensemble rollouts for uncertainty quantification. To assess sim-to-real transfer, we adapt the pretrained surrogate to experimental facility data using layerwise discriminative fine-tuning with only 30 training sequences. The learned flow-dependent heat-transfer scaling recovers a Reynolds-number exponent consistent with established correlations, indicating constitutive learning beyond trajectory fitting. The model tracks a steep power change transient and produces accurate trajectories at uninstrumented locations.